Gestion des stocks de pièces de rechange avec la technologie Quantile
La gestion des pièces de rechange et de service est aussi stratégiquement importante que difficile. Dans un monde où la plupart des fabricants d’équipements et des détaillants opèrent sur des marchés extrêmement concurrentiels, un taux de service élevé envers la base de clients existante est une priorité stratégique pour de nombreux acteurs.
Non seulement une disponibilité élevée des pièces de rechange contribue à fidéliser une base de clients, mais les entreprises de produits/équipements ont également découvert que les services constituent souvent un flux de revenus récurrents très rentable et généralement plus résistant aux cycles économiques que les ventes d’équipements.
Cependant, la gestion efficace des stocks de pièces de rechange reste un défi de taille. Malgré une industrie de la technologie de prévision et de planification des stocks qui existe depuis plusieurs décennies, la gestion des pièces de rechange reste difficile pour plusieurs raisons :
- Grand nombre de pièces : Même les fabricants d’équipements plus petits peuvent facilement être confrontés à la gestion de plus de cent mille pièces de rechange.
- Exigence de niveau de service élevé : Les ruptures de stock sont souvent très coûteuses, des niveaux de service élevés à très élevés sont donc primordiaux dans de nombreuses industries.
- Demande peu fréquente : La demande de pièces de rechange est généralement rare et intermittente, ce qui signifie que seuls de très faibles volumes sont nécessaires de manière occasionnelle.
Pourquoi les technologies de prévision standard sont peu performantes
Malheureusement, la combinaison de ces facteurs rend les technologies de prévision et de planification des stocks standard peu adaptées à la planification des pièces de rechange. Dans la théorie classique de la prévision et de la planification des stocks, une prévision est produite en appliquant des modèles tels que la moyenne mobile, la régression linéaire et Holt Winters, et une grande attention est accordée à l’erreur de prévision, qui est optimisée en mesurant le MAPE ou des indicateurs similaires. La transformation en un niveau de stock suggéré se fait ensuite via une analyse classique des stocks de sécurité.
Dans le cas de séries chronologiques peu fréquentes (également appelées produits à faible rotation : faible unité et ventes peu fréquentes), cette méthodologie échoue. Le principal problème avec la prévision des produits à faible rotation est que nous prévoyons essentiellement des zéros. Cela est intuitivement évident lorsque l’on examine l’historique de la demande d’un portefeuille typique de pièces de rechange sur une base quotidienne, hebdomadaire ou même mensuelle : de loin, le point de données le plus fréquent est zéro, ce qui peut représenter plus de 50% de tous les points de données enregistrés dans certains cas.
Le défi de la prévision des produits à faible rotation : De bonnes performances statistiques et de bonnes pratiques de gestion des stocks ne sont pas la même chose.
Lorsque l’on applique la théorie classique de la prévision à ce type d’ensemble de données, la meilleure prévision pour un produit à faible rotation est par définition un zéro. Une prévision “bonne” d’un point de vue statistique renverra principalement des zéros, ce qui est optimal du point de vue des mathématiques, mais pas utile du point de vue de l’optimisation des stocks.
La méthode classique sépare complètement la prévision du réapprovisionnement. Le problème est que la situation ne peut guère être améliorée avec une prévision “meilleure”. Ce qui importe réellement en pratique, c’est la précision du niveau de stock résultant (point de commande), qui n’est ni mesurée ni optimisée.
Changer la vision de la précision des prévisions à la gestion des risques
Lorsqu’il s’agit de produits à faible rotation, nous pensons que la bonne approche n’est pas de considérer le problème comme une question de prévision et d’essayer de prévoir la demande (qui est principalement nulle). Au contraire, l’analyse devrait fournir une réponse à la question de savoir combien de stocks sont nécessaires pour garantir le niveau de service souhaité.L’objectif de l’analyse n’est pas des prévisions de demande plus précises, mais une meilleure analyse des risques. Nous changeons fondamentalement de vision ici.
Détermination et optimisation directe du point de commande
Les prévisions quantiles permettent de prévoir directement le stock optimal qui fournit le niveau de stock souhaité : Un biais est introduit délibérément dès le départ afin de modifier les chances de sur-prévision et de sous-prévision.
Les comparaisons avec les technologies de prévision classiques dans les secteurs de l’alimentation, des produits non alimentaires, du matériel, du luxe et des pièces de rechange montrent de manière constante que les prévisions quantiles apportent une amélioration des performances de plus de 25 %, soit plus de 25 % de stocks en moins ou 25 % de ruptures de stock en moins.
À notre avis, en résolvant le problème de la prévision de la demande intermittente et clairsemée dans la gestion des pièces de rechange, la technologie des quantiles offre non seulement une forte augmentation des performances, mais rend également les prévisions classiques tout simplement obsolètes.
Livret blanc sur la gestion des pièces de rechange disponible en téléchargement
Téléchargez le livret blanc Gestion des pièces de rechange avec la technologie des quantiles pour une discussion approfondie sur le sujet. D’autres livrets blancs et ressources sur la prévision des quantiles et la gestion des stocks sont disponibles sur notre page de ressources.
Avez-vous des commentaires, des questions ou des expériences à partager concernant la gestion des pièces de rechange ? Veuillez participer dans les commentaires ci-dessous, votre contribution est très précieuse pour notre équipe.
Commentaires des lecteurs (1)
Excellent article sur la technologie de gestion des stocks. Je dirais qu’en fonction de mon expérience, la prévision de la gestion des risques est un risque en soi lorsque vous ne le faites pas vous-même et que vous dépendez des autres pour faire le travail. Il y a 5 ans | Chris Toff
